在阿尔茨海默病患者中,基于脑PET的亚种群的识别和表征,使用深度学习衍生的突出性地图

科学领域:

• 神经成像是一种神经成像.
• 神经退行性疾病 神经退行性疾病
• 计算神经科学是一种神经科学.

背景情况:

• 阿尔茨海默病 (AD) 的特点是tau神经纤维状,这是与认知能力下降相关的标志.
• 研究AD异质性对于理解疾病进展和开发向治疗至关重要.
• 大脑积模式在患有阿尔茨海默病的个体之间可能有很大差异.

研究的目的:

• 根据大脑的陶沉积,识别和描述阿尔茨海默病患者的不同亚群.
• 调查这些亚群体中tau负担,认知功能和人口因素之间的关系.
• 探索性别和APOE ε4对不同AD患者组的tau沉积的相互作用影响.

主要方法:

• 利用了阿尔茨海默病神经成像计划 (ADNI) 数据库中的18F-flortaucipir PET扫描和T1加权的MRI数据.
• 采用3D卷积神经网络模型用于AD检测,并生成突出地图用于集群.
• 对人口统计,神经心理测量和标准化吸收值比率 (SUVR) 进行统计分析,以比较子群体.

主要成果:

• 确定了两个不同的AD亚群:S_Hi (全球较高的tau负担) 和S_Lo (全球较低的tau负担).
• 无论是S_Hi还是S_Lo群体都表现出类似的认知功能分布,尽管负担不同.
• 在S_Hi组中观察到认知和区域沉积之间的关系减弱.
• 在S_Lo组中发现了性别和APOE ε4对tau沉积的显著相互作用,但在S_Hi组中没有.

结论:

• 即使在认知高原时,TAU纠在AD中继续积累,这表明PET在晚期疾病阶段的实用性.
• 认知,沉积和人口因素 (性别,APOE4) 之间的明显关系表明潜在的亚型特定治疗.
• 针对影响的性别特异性和遗传因素的干预措施,以及认知干预措施,可能为AD提供有效的治疗策略.